[发明专利]一种基于深度学习的足球动作评估方法与系统

权利要求书

1.一种基于深度学习的足球动作评估方法，其特征在于，包括以下步骤：

S1：制定各种足球动作的类别标准动作的标准模板；

S2：利用摄像头采集足球训练、比赛的运动视频；

S3：处理运动视频中的视频数据，得到足球动作类别；

S4：用S3得到的足球动作类别匹配标准模板中该足球动作类别的标准动作，并输出与标准动作的差异；

步骤S1中制定各种足球动作类别标准动作的标准模板，包括以下步骤：

S1.1：收集各种足球动作类别的标准动作的公开视频并进行人工分类；

S1.2：利用人体姿态估计模型对每一类别的标准动作求取人体骨骼关键点，并对每一类别的标准动作的人体骨骼关键点求平均，每一类别的标准动作即得到一个骨骼点序列，所有骨骼点序列构成标准模板；

所述人体姿态估计模型，具体如下：

将归一化后的运动视频的视频帧输入至VGG16或ResNet卷积神经网络后，得到具有视频帧的高维特征的特征图，同时也为高维特征矩阵；特征图再经LSC卷积后再经RPN网络得到Proposal regions区域，使用PSROI pooling对Proposal regions进行检测后再输入至R-CNN网络进行分类和位置回归，R-CNN网络只有一层全连接层，最后得到骨骼点序列。

2.根据权利要求1所述的基于深度学习的足球动作评估方法，其特征在于，步骤S3中处理运动视频中的视频数据，得到足球动作类别，包括以下步骤：

S3.1：令运动视频长度归一化；

S3.2：利用人体姿态估计模型在运动视频每一帧都获得一个骨骼点序列；

S3.3：在运动视频每一帧的骨骼点按照人体生理结构相互连接，不同帧之间同一位置的骨骼点相互连接，构建骨骼点时空图G＝(V，E)，其中，V为节点数即骨骼点数，表示骨骼点的空间结构，E为图结构中的边即特征向量，表示不同帧之间的连接，代表每个特定节点随时间推移的轨迹；

S3.4：采用图卷积神经网络对骨骼点时空图进行特征提取，得到该足球动作类别。

3.根据权利要求2所述的基于深度学习的足球动作评估方法，其特征在于，步骤S3.1中令运动视频长度归一化，包括以下步骤：

S3.1.1：令视频期望长度为n，判断运动视频长度为N，若Nn，则对运动视频进行等间隔采样，令运动视频长度等于n；若Nn，则对运动视频进行等间隔插值，使得运动视频长度为n。

4.根据权利要求3所述的基于深度学习的足球动作评估方法，其特征在于，步骤S3.4中采用图卷积神经网络对骨骼点时空图进行特征提取，每次的图卷积运算如下：

式中，A为骨骼点时空图的邻接矩阵，I为骨骼点时空图的自表示矩阵，为骨骼点时空图的对称规范化拉普拉斯分解，f_in表示图卷积的输入，即上一层的图结构数据；f_out表示上一层的图结构数据经本次图卷积操作后得到的数据，j表示本次图卷积操作输入数据f_in中的节点数，图卷积次数与j一致；W为图卷积的权重矩阵。

5.根据权利要求4所述的基于深度学习的足球动作评估方法，其特征在于，步骤S4中输出与标准动作的差异，具体为输出骨骼点与标准骨骼点坐标的差值。

6.一种根据权利要求5所述的基于深度学习的足球动作评估方法的基于深度学习的足球动作评估系统，其特征在于，包括深度摄像头和树莓派处理器，其中，深度摄像头通过数据线与树莓派处理器连接，树莓派处理器中包括：

足球标准动作制定模块，用于制定各种足球动作的类别标准动作的标准模板；

视频采集模块，用于获取利用摄像头采集足球训练、比赛的运动视频；

动作识别分类模块，用于处理运动视频中的视频数据，得到足球动作类别；

匹配评估模块，用于将得到的足球动作类别匹配标准模板中该足球动作类别的标准动作，并输出与标准动作的差异。

7.根据权利要求6所述的基于深度学习的足球动作评估系统，其特征在于，所述的树莓派处理器还与显示器、声音输出设备连接。

8.根据权利要求6或7所述的基于深度学习的足球动作评估系统，其特征在于，所述的树莓派处理器连接无线通信模块，与以太网连接。